.png){kind=icon}
返回
Enhancing Contrastive Graph Clustering with Reliable Sample Selection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.134401.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
受益于固有的样本区分能力，通过数据增强的对比学习在图聚类任务中近期取得了有前景的性能。然而，现有的图对比学习策略在构建正负样本对时显著忽略了样本的代表性和可靠性，而引入具有误导性类别信息的样本则容易导致语义漂移和不可区分的样本。此外，我们观察到这些策略主要设计用于学习模型对样本的区分能力，而非面向聚类的优化过程；因此，无法保证最优的聚类性能。为解决这些问题，我们提出了一种可靠的样本引导图对比聚类网络，通过引入跨互补视图的样本选择和分布对齐机制。具体而言，为精确捕捉节点属性与图拓扑之间的语义一致性，我们设计了一种新颖的跨视图对比学习框架，以增强模型对节点属性和图拓扑的感知能力。为保证语义可靠性，我们引入了一种可靠的样本选择机制，识别跨互补视图的语义一致性高置信度节点，并利用它们构建可靠的对比样本对以引导标签对齐。最后，考虑到图对比学习并非专门针对聚类目标，我们提出了一种简单而有效的、由可靠目标函数引导的自优化模块。在五个基准数据集上的广泛实验结果证明了所提出方法相较于现有竞争算法的有效性。
Keyword:
Graph clustering
Contrastive learning
Reliable sample selection
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
.png){kind=icon}
查看更多内容